XiaoMi-AI文件搜索系统
World File Search System特征曲线
COVID-19 的放射学发现：人工智能与放射科医生的比较
背景：随着 COVID-19 负担的加重，快速可靠的筛查方法势在必行。胸部 X 光片在快速分诊患者方面起着关键作用。不幸的是，在资源匮乏的环境中，训练有素的放射科医生很少。目的：本研究评估并比较人工智能 (AI) 系统与放射科医生在检测 COVID-19 胸部 X 光片发现方面的表现。受试者和方法：测试集包括三个月内 457 张疑似 COVID-19 肺炎患者的 CXR 图像。一位拥有 13 年以上经验的放射科医生和人工智能系统 (NeuraCovid，一款与人工智能模型 COVID-NET 配对的 Web 应用程序) 对 X 光片进行了评估。通过计算灵敏度、特异性和生成受试者工作特征曲线来比较人工智能系统和放射科医生的表现。RT-PCR 测试结果被用作金标准。结果：放射科医生的灵敏度和特异性分别为 44.1% 和 92.5%，而 AI 的灵敏度和特异性分别为 41.6% 和 60%。AI 系统将 CXR 图像正确分类为 COVID-19 肺炎的曲线下面积为 0.48，放射科医生为 0.68。放射科医生的预测优于 AI，P 值为 0.005。结论：放射科医生检测 COVID-19 肺部病变的特异性和灵敏度优于 AI 系统。
原创研究人工智能（AI）在基于 CT 图像的 COVID-19 筛查和评估中的助力作用
目的：本研究旨在探讨针对新冠肺炎CT影像特点设计开发的人工智能系统在新冠肺炎筛查与评估中的作用。方法：研究团队采用改进的U型神经网络，通过多层卷积迭代，对CT影像中的肺部及肺炎病灶进行分割。然后选取合适的159例病例建立并训练模型，使用Dice损失函数与Adam优化器进行网络训练，初始学习率为0.001。最后选取39例病例（29例阳性，10例阴性）进行对比测试。实验组：主治医生a和副主任医生a在人工智能系统的帮助下阅读CT影像对新冠肺炎进行诊断。对照组：主治医生b和副主任医生b仅凭经验进行诊断，未借助人工智能系统。记录每位医生诊断所用时间及诊断结果。统计学分析采用配对t检验、单因素方差分析、卡方检验、受试者工作特征曲线、logistic回归分析。结果：不同组别的诊断时间差异有统计学意义（P<0.05）。对于诊断结果最优组，单因素和多因素分析均提示各变量间无显著相关性，可能是AI系统的辅助、流行病学史等因素发挥了重要作用。结论：我们研发的AI系统因应新冠肺炎而诞生，具有一定的临床实用性，值得推广。关键词：CT、新冠肺炎、智能分析、AI、助力作用
计算机断层扫描测量治疗前细胞外体积分数对腹部神经母细胞瘤原发病灶对术前化疗反应的影响
目的：回顾性研究治疗前计算机断层扫描（CT）测量的细胞外体积分数（ECV）对腹部神经母细胞瘤原发灶对术前化疗反应的影响。方法：回顾性纳入75例腹部神经母细胞瘤患者。治疗前在平扫和平衡期CT图像上确定原发灶和主动脉的感兴趣区域，并测量其平均CT值。根据患者血细胞比容和平均CT值计算ECV。检查ECV与原发灶体积减少之间的相关性。生成受试者工作特征曲线以评估ECV对原发灶非常好的部分反应的预测性能。结果：原发病灶体积缩小与 ECV 呈负相关（r = -0.351，p = 0.002），部分反应极好的原发病灶 ECV 较低（p < 0.001）。ECV 预测原发病灶部分反应极好的曲线下面积为 0.742（p < 0.001），95% 置信区间为 0.628 至 0.836。最佳截断值为 0.28，灵敏度和特异性分别为 62.07% 和 84.78%。结论：CT 图像上治疗前 ECV 的测量与腹部神经母细胞瘤原发病灶对术前化疗的反应具有显著相关性。
帕金森病的丘脑底核活动动态和肢体运动预测
虽然丘脑底核中β频带振荡同步的过度爆发与帕金森病的运动障碍有关，但一直缺乏将这两种现象联系起来的合理机制。在这里，我们检验了以下假设：β爆发所表示的同步增加可能会损害基底神经节网络中的信息编码能力。为此，我们记录了18名帕金森病患者在执行提示的上肢和下肢运动时丘脑底核中的局部场电位活动。我们使用每次试验中基于局部场电位对要移动的肢体进行分类的准确性作为系统所掌握的有关预期动作的信息的指标。使用朴素贝叶斯条件概率模型的机器学习用于分类。局部场电位动态可以在执行之前准确预测预期动作，当提前知道要求的动作时，在命令提示之前，受试者工作特征曲线下面积为 0.80 0.04。α 频段局部场电位活动爆发，尤其是 β 频段局部场电位活动爆发，严重影响了对要移动的肢体的预测。我们得出结论，低频爆发，尤其是 β 频段的爆发，限制了基底神经节系统编码有关预期动作的生理相关信息的能力。当前的发现也很重要，因为它们表明，除了恢复性脑机接口应用中的力量控制外，局部丘脑底活动可能被解码以实现效应器选择。
课程结构和教学大纲M.Tech CSE
比例并根据统计检验的结果得出结论。使用数字理论设计各种密码。将图理论应用于网络路由问题等实时问题。单元I：基本概率和随机变量：随机实验，样本空间事件，概率的概念概率的公理，一些有关概率分配的重要定理，条件性概率定理，对条件性概率，独立事件，独立事件，贝叶斯定理或规则。随机变量，离散概率分布，随机变量的分布函数，离散随机变量的分布函数，连续随机变量单元II：抽样和估计理论：种群和样本，使用和不替换随机示例进行统计推理采样，随机数量量级统计分布，频率分布，相对频率分布，相对分布，计算，计算，计算，均值分布，计算，计算，计算，计算。公正的估计值和有效估计点估计值和间隔估计值。可靠性置信区间的人口参数估计，最大似然估计单元III：假设和意义的检验：统计决策统计假设。null假设假设测试和I型和II型误差的显着性和II型误差的显着性测试水平，涉及正态分布的一尾和两尾测试P值的特殊样本的特殊测试特殊测试的特殊样本具有估算理论和假设测试特征曲线之间的小样本关系的特殊显着性测试。测试质量控制图的功率将理论分布拟合到样本频率
使用血浆蛋白质组学的肥厚性心肌病中心力衰竭恶化的预测
抽象客观心力衰竭（HF）是肥厚性心肌病（HCM）最常见和生活方式限制的并发症之一。仅使用临床措施预测HF恶化仍然有限。此外，尚未阐明HC患者患有HF的患者的机制。因此，这项研究的目的是开发基于等离子体蛋白质组学的模型，以预测HCM患者的HF恶化，并确定随后导致HF恶化恶化的人对受差异调节的信号传导途径。方法。开发了一种基于蛋白质组学的随机森林模型，以使用一个机构的数据预测HF恶化（训练集，n = 268）。该模型在不同机构的患者中得到了外部验证（测试集，n = 121）。使用错误发现率（FDR）阈值<0.001的蛋白质与未执行的患者相比，随后发育恶化的患者的蛋白质分析显着失调。使用从训练组得出的11蛋白质组学模型的结果，在测试集中，接收器操作特征曲线下的区域预测HF恶化的HF为0.87（95％CI：0.76至0.98）。途径分析表明，在随后导致HF恶化恶化的患者中，RAS-MAPK途径（FDR <0.00001）和相关途径失调。结论本研究以全面的等离子体蛋白质组学分析表明，可以预测HCM患者的HF恶化，并确定RAS-MAPK和相关信号通路是潜在的潜在机制。
血清铁蛋白水平及其与妊娠糖尿病的关联
背景：如果在早期进行筛查和诊断，则可以预防GDM对母亲和孩子的长期影响。已经努力尝试确定可以预测GDM的临床和生化标记。铁蛋白，急性相反应物就是这样的蛋白质。这项研究是为了知道血清铁蛋白水平与怀孕的GDM之间是否存在关联。方法：2020年1月至2021年6月在ESIC-MC-PGIMSR OBG部门进行的前瞻性研究。388名满足纳入标准的妊娠妇女在获得知情的书面同意后被纳入研究，并在妊娠24至28周之间分析了母体血清铁蛋白，并经过统计分析。结果：两个群体人群特征均匹配，并且也与HB％相匹配，从而消除了贫血，这是研究的混杂因素。GDM组的平均血清铁蛋白水平为46.4 ng/mL，非GDM组的平均血清铁蛋白水平为37.3 ng/ml（p <0.001）。使用ROC（接收器操作员特征曲线）血清铁蛋白的切断值为34.7 ng/ml，CI为95％，灵敏度为71％，特异性为63％。结论：在这项研究中，妊娠24-28周的铁蛋白值> 34.7 ng/ml，患有GDM的风险为63％。因此，我们得出结论，升高的血清铁蛋白水平可以用作GDM预测的生化标记。关键词：妊娠糖尿病，血清铁蛋白，血红蛋白，炎症，急性相反应物
放射学中的无代码机学习
机器学习模型可以帮助临床医生和研究人员在放射学内部的许多任务中，例如诊断，分类，分割/测量和质量保证。为了更好地利用机器学习，我们已经开发了一个平台，该平台允许用户在不需要任何编程知识的情况下标记数据和训练模型。该技术堆栈由用于用户交互，Python，Pytorch和Monai的打字稿Web应用程序组成，用于机器学习，DICOM WADO-RS可从临床系统中检索数据，以及用于模型管理的Docker。作为系统的第一个试验，研究人员将其用来训练锁骨断裂检测模型，作为IRB批准的回顾性研究的一部分。研究人员在13个部位的2,039名患者中标记了4,135个锁骨X光片。平台将数据自动将数据分为培训，验证和测试集，并训练了模型，直到验证损失平稳。然后该系统返回了接收器操作特征曲线，AUC，F1和其他指标。所得模型以90％的敏感性，87％的特异性和88％的精度鉴定锁骨骨折，AUC为0.95。此模型性能等于文献中报道的类似模型。最近，我们的系统用于训练模型，以识别包含个人身份信息（PII）的超声框架。验证后，该模型被用来帮助识别用于研究的大型数据集。这个首先的系统简化了模型开发和部署，并为在医疗保健中使用AI开辟了令人兴奋的新途径。
增强神经胶质瘤IDH突变状态的可预测性...
根据世界卫生组织中枢神经系统肿瘤的分类，抽象的目的，等酸脱氢酶（IDH）基因的突变状态已成为神经胶质瘤的主要诊断鉴别剂。 因此，基于成像的IDH突变状态的预测对于个别患者管理是高度兴趣的。 我们比较并评估了源自双正电子发射断层扫描（PET）和磁共振成像（MRI）数据的放射线学的诊断值（MRI）数据，以无创地预测IDH突变状态。 使用[18 F] GE-180，使用[18 F] FET和T1-/T2加权MRI扫描的pET靶向易位蛋白（TSPO）的PET进行了八十七名胶质瘤患者。 除了计算所有模式的肿瘤与背景比（TBR）图像外，还产生了量化动态[18 f] FET信息的参数图像。 从TBR和参数图像中提取放射线特征。 采用接收器操作特征曲线（AUC）下的面积来评估逻辑回归（LR）分类器的性能。 为了报告可靠的估计值，应用了五个折叠和50个重复的嵌套交叉验证。 结果TBR GE-180从TSPO阳性体积提取的特征在TBR图像中具有最高的预测能力（AUC 0.88，年龄为副因素为0.94）。 动态[18 f] FET PET达到了类似的高性能（0.94，年龄为0.96）。抽象的目的，等酸脱氢酶（IDH）基因的突变状态已成为神经胶质瘤的主要诊断鉴别剂。因此，基于成像的IDH突变状态的预测对于个别患者管理是高度兴趣的。我们比较并评估了源自双正电子发射断层扫描（PET）和磁共振成像（MRI）数据的放射线学的诊断值（MRI）数据，以无创地预测IDH突变状态。使用[18 F] GE-180，使用[18 F] FET和T1-/T2加权MRI扫描的pET靶向易位蛋白（TSPO）的PET进行了八十七名胶质瘤患者。除了计算所有模式的肿瘤与背景比（TBR）图像外，还产生了量化动态[18 f] FET信息的参数图像。放射线特征。采用接收器操作特征曲线（AUC）下的面积来评估逻辑回归（LR）分类器的性能。为了报告可靠的估计值，应用了五个折叠和50个重复的嵌套交叉验证。结果TBR GE-180从TSPO阳性体积提取的特征在TBR图像中具有最高的预测能力（AUC 0.88，年龄为副因素为0.94）。动态[18 f] FET PET达到了类似的高性能（0.94，年龄为0.96）。多模式分析中最高的LR系数包括TBR GE-180特征，来自动力学和早期静态[18 f] FET PET图像的参数，年龄以及TBR T2图像的特征，例如峰度（0.97）。结论结果表明，结合TBR GE-180功能以及来自Dynamic [18 f] FET PET的动力学信息，Tbr T2的峰度以及年龄可以产生非常高的IDH突变状态可预测性，从而有可能改善早期患者的管理。
基于机器学习的鉴定和抑郁症患者的糖尿病患者基于韩国国家健康和营养检查调查：横断面研究
糖尿病患者（DM）患有抑郁症的可能性是非糖尿病患者的两倍，这是一种普遍但通常未诊断的精神病合并症。DM抑郁症患者的血糖控制较差，生活质量较差，糖尿病并发症的风险增加以及死亡率更高。本研究旨在开发机器学习（ML）模型，以鉴定DM患者的抑郁症，通过评估多种ML算法来确定最佳性能模型，并研究与抑郁症有关的特征。我们开发了六个ML模型，包括随机森林，K-Neart邻居，支持向量机（SVM），自适应提升，轻度梯度增强机以及基于韩国国家健康和营养检查调查的极端梯度提升。结果表明，SVM模型的性能很好，在接收器操作特征曲线下的跨验证区域为0.835（95％置信区间[CI] = 0.730-0.901）。13个特征与DM患者的抑郁有关。置换特征的重要性表明，最重要的特征是主观健康状况，其次是一般压力意识的水平；压力识别率；平均每月收入；甘油三酸酯（mg/dl）水平；活动限制状态；欧洲生活质量（Euroqol）：过去1个月的病床通常活动和躺在病床中； EuroQol：过去2周内的疼痛 /不适，自我保健和身体不适；和Euroqol：流动性和咀嚼问题。目前的发现可能会使临床医生使用ML方法更好地了解DM与抑郁症之间的关系，并且可能是开发更具预测性模型的第一步，用于早期检测DM患者的抑郁症状。